人的資源分析における管理者の保持決定のための説明可能な離職リスクスコアリング

科学分野:

• データサイエンス
• 人的資源管理
• 組織行動

背景:

• 従業員の離職は、組織にとって重大な運用上の課題をもたらします。
• 予測分析は、人事マネージャーが離職を予測および軽減するための潜在的なソリューションを提供します。
• この領域における管理者の予測の解釈可能性と信頼性に関する研究は限られています。

研究 の 目的:

• 従業員の離職のための解釈可能な予測モデルを開発および評価すること。
• 人事マネージャーに積極的な労働力管理のためのデータ駆動型の洞察を提供すること。
• 予測精度に対するモデルキャリブレーションの影響を調査すること。

主な方法:

• 前処理技術（ラベルエンコーディング、特徴スケーリング、SMOTE）を使用して従業員の離職データセットを利用しました。
• グリッドサーチとクロスバリデーションを使用して機械学習モデル（ランダムフォレスト）をトレーニングおよび最適化しました。
• 解釈可能性とリスク評価のためにシグモイドキャリブレーション、LIME、順列特徴量重要度、およびSHAPを適用しました。

主要な成果:

• ランダムフォレスト分類器は97.37%の高いAUC-ROCスコアを達成しました。
• モデルキャリブレーションにより、予測精度の向上が示されたブライアースコアが大幅に低下しました。
• 視覚化により、離職リスクが最も高い従業員が特定されました。

結論:

• 調整され、解釈可能で、リスクが層別化されたモデルは、保持戦略のための人事の意思決定を強化します。
• このデータ駆動型のフレームワークは、反応的な労働力管理から積極的な労働力管理への移行を促進します。
• 予測分析を活用することで、人事リーダーは従業員の保持と運用効率を向上させることができます。